Ngân hàng đề — Microsoft Azure AI Engineer

Tìm thấy 267 câu.

Câu 61 Implement computer vision solutions

Azure provides prebuilt receipts and invoices through its Azure AI Document Intelligence service. However, if you want to extract data from forms that are specific to your business, you will need to create custom models of Azure AI Document Intelligence. You can then integrate these models into your enrichment pipeline's custom skill interface. Sequence the below steps in the correct order of execution to create, use, and manage your custom model in Document Intelligence:

Step 1: Manage your custom models.

Step 2: Use the Azure Blob container to upload training data.

Step 3: Establish your training dataset.

Step 4: Use labeled or unlabeled datasets to train the model.

Step 5: Test the model using a dataset not used in training.

  1. A

    Step 1 > Step 2 > Step 4 > Step 3 > Step 5
  2. B

    Step 3 > Step 2 > Step 4 > Step 5 > Step 1
  3. C

    Step 1 > Step 3 > Step 2 > Step 4 > Step 5
  4. D

    Step 3 > Step 2 > Step 1 > Step 4 > Step 5
Xem giải thích

Đáp án

B — Bước 3 → 2 → 4 → 5 → 1

Vì sao đúng

Thứ tự theo đúng vòng đời của một mô hình tuỳ chỉnh:

Thứ tự Bước Vì sao
1 (3) Chuẩn bị tập dữ liệu huấn luyện Phải có dữ liệu trước
2 (2) Tải dữ liệu lên Azure Blob container Dịch vụ đọc dữ liệu huấn luyện từ Blob Storage
3 (4) Huấn luyện mô hình (có nhãn hoặc không nhãn) Chỉ chạy khi dữ liệu đã ở đúng chỗ
4 (5) Kiểm thử bằng tập dữ liệu không dùng khi huấn luyện Kiểm thử trên chính dữ liệu đã huấn luyện cho kết quả đẹp giả tạo
5 (1) Quản lý mô hình Diễn ra sau khi mô hình đã dùng được

Vì sao các phương án khác sai

Ba phương án còn lại đều đặt bước tải dữ liệu lên Blob sau khi huấn luyện, hoặc đặt việc quản lý mô hình trước khi mô hình tồn tại.

Câu 62 Implement computer vision solutions

You need to identify and block videos that contain adult content. For this purpose, you are using Azure AI Video Indexer. To get the required insights regarding the video and time ranges that show the presence of these insights, which element would you choose?

  1. A

    sentiments
  2. B

    visualContentModeration
  3. C

    emotions
  4. D

    shots
Xem giải thích

Đáp án

B — visualContentModeration.

Ghi nhớ về chất lượng câu hỏi

⚠ Câu này GẦN TRÙNG với #17512 ở lô trước — gần như y nguyên.

Câu Diễn đạt
⚠ #17512 (lô 160) ⚠ "identifying and blocking video content that contains adult material"
⚠ #17559 (câu này) ⚠ "identify and block videos that contain adult content"
⚠ Cùng bốn phương án ⚠ sentiments, visualContentModeration, emotions, shots
⚠ MD5 không bắt được ⚠ vì vài từ khác nhau

Vì sao đúng

⚠ visualContentModeration là insight chuyên cho việc này: | Trả về gì | Nội dung | |---|---| | ⚠ adultScore | ⚠ điểm nội dung người lớn | | ⚠ racyScore | ⚠ điểm gợi dục | | ⚠ instances | ⚠ KHOẢNG THỜI GIAN xuất hiện |

⚠ Video Indexer phân tích
        ↓
⚠ visualContentModeration
   ⚠ "từ 02:15 tới 02:40, adultScore = 0.92"
        ↓
⚠ Chặn hoặc gắn cờ video

⚠ Đề nhấn "time ranges" — ⚠ đúng thứ insight này trả về.

Vì sao các phương án khác sai

  • A (sentiments) và C (emotions) — ⚠ phân tích cảm xúc: ⚠ không đánh giá tính phù hợp của nội dung.

  • D (shots) — ⚠ chia video thành cảnh quay: ⚠ phục vụ biên tập, không kiểm duyệt.

Ghi nhớ

⚠ Video Indexer — hai loại kiểm duyệt: | Insight | Kiểm duyệt gì | |---|---| | ⚠ visualContentModeration | ⚠ HÌNH ẢNH — nội dung người lớn, gợi dục | | ⚠ textualContentModeration | ⚠ LỜI NÓI — từ ngữ không phù hợp trong transcript | | ⚠ Cần cả hai | ⚠ video có thể sạch về hình nhưng bẩn về lời |

Từ khoá nhận diện:

"nội dung người lớn trong hình ảnh video" → ⚠ visualContentModeration "từ ngữ tục trong lời thoại" → ⚠ textualContentModeration "kiểm duyệt ảnh tĩnh hoặc văn bản" → ⚠ Azure AI Content Safety "cảm xúc người xuất hiện" → ⚠ emotions

⚠ Các insight chính của Video Indexer Insight
⚠ Transcript ⚠ lời nói → văn bản
⚠ OCR ⚠ chữ trên màn hình
⚠ Faces / People ⚠ nhận diện người
⚠ Labels, Topics, Keywords ⚠ nội dung nói về gì
⚠ Brands ⚠ thương hiệu được nhắc tới
⚠ Content moderation ⚠ hình ảnh và lời nói
⚠ Shots, Scenes, Keyframes ⚠ cấu trúc video
⚠ Thiết kế quy trình kiểm duyệt video Thiết kế
⚠ Điểm CAO → chặn tự động
⚠ Điểm TRUNG BÌNH → đưa người rà soát
⚠ Điểm THẤP → cho qua
⚠ Ghi log mọi quyết định
⚠ Có đường khiếu nại
⚠ Ngưỡng ⚠ tự đặt theo chính sách, không có con số chuẩn
⚠ Video Indexer — lưu ý triển khai Lưu ý
⚠ Xử lý BẤT ĐỒNG BỘ ⚠ gửi video, chờ, rồi lấy insight
⚠ Thời gian xử lý phụ thuộc độ dài video
⚠ Có webhook báo khi xong
⚠ Chi phí tính theo PHÚT video
⚠ Video dài ⚠ cân nhắc chỉ phân tích phần cần thiết

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Có kiểm duyệt cả lời nói không | ⚠ không chỉ hình ảnh | | Ngưỡng chặn đã thử trên nội dung thật chưa | | | Có quy trình cho trường hợp máy bắt nhầm không | |

Và điểm mù phổ biến trong kiểm duyệt video tự động: chỉ kiểm hình ảnh mà quên lời thoại. Một video hoàn toàn sạch về mặt hình ảnh vẫn có thể chứa nội dung không phù hợp trong âm thanh.

Câu 63 Implement computer vision solutions

To complete the task of extracting printed text in multiple languages and handwritten text in English from an image of a magazine's front page, you need to use an Azure AI Vision API.

What API should be used to achieve this goal?

  1. A

    Vision API
  2. B

    Read API
  3. C

    Image Analysis API
  4. D

    Custom Vision service
Xem giải thích

Đáp án

B — Read API

Vì sao đúng

Đề có hai điều kiện cộng lại chỉ về một lựa chọn: chữ in ở nhiều ngôn ngữ và chữ viết tay tiếng Anh, trong cùng một ảnh. Read API là API OCR xử lý được cả hai loại chữ trong một lần gọi, và mạnh với ảnh có bố cục phức tạp như trang bìa tạp chí — nhiều cỡ chữ, nhiều hướng, xen lẫn hình.

Vì sao các phương án khác sai

  • C. Image Analysis API — mô tả nội dung ảnh và nhận vật thể; phần đọc chữ của nó đơn giản hơn và không xử lý tốt chữ viết tay.
  • D. Custom Vision — dùng để phân loại ảnh hoặc phát hiện đối tượng theo mô hình bạn tự huấn luyện, hoàn toàn không phải công cụ OCR.
  • A. "Vision API" — cách gọi chung chung; chức năng đọc chữ nằm ở Read API cụ thể.
Câu 64 Implement computer vision solutions

Using the Azure Custom Vision web portal, you created an image classification model to classify various fruits. The project configuration is given in the below image:

You have successfully trained and published the model. Now, you aim to export the model to perform real-time classification on an edge device (Android/iOS).

How would you accomplish this objective?

  1. A

    It is not possible to export a model that has been created using Custom Vision.
  2. B

    To export the model, click on the 'Export' button located under the 'Performance' tab.
  3. C

    You should submit an Azure support request and request the model be sent manually.
  4. D

    To export the model, change the project's domain from General to General (compact), and then retrain the model.
  5. E

    None of the above
Xem giải thích

Đáp án

D — Đổi domain của project từ General sang General (compact), rồi huấn luyện lại mô hình.

Vì sao đúng

⚠ Chỉ domain "compact" mới xuất được mô hình: | Domain | Xuất được | |---|---| | ⚠ General | ⚠ KHÔNG — chỉ chạy trên đám mây | | ⚠ General (compact) | ⚠ CÓ — xuất ra thiết bị biên | | ⚠ Food (compact), Landmarks (compact)… | ⚠ CÓ |

⚠ Domain thường
   ⚠ mô hình LỚN, chính xác cao
   ⚠ chỉ gọi qua API đám mây

⚠ Domain COMPACT
   ⚠ mô hình NHỎ, tối ưu cho thiết bị
   ⚠ XUẤT được: TensorFlow, CoreML,
     ONNX, Docker container
        ↓
⚠ Chạy offline trên Android/iOS

⚠ Đổi domain BẮT BUỘC phải huấn luyện lại — ⚠ mô hình cũ không chuyển đổi được.

Vì sao các phương án khác sai

  • B (bấm nút Export dưới tab Performance) — ⚠ nút Export CHỈ hiện khi domain là compact: ⚠ với domain thường thì không có nút đó.

  • A (không thể xuất mô hình Custom Vision) — ⚠ SAI: ⚠ đây chính là tính năng nổi bật của Custom Vision.

  • C (gửi yêu cầu hỗ trợ Azure) — ⚠ không phải quy trình nào cả.

  • E (không phương án nào đúng) — ⚠ D đúng.

Ghi nhớ

⚠ Custom Vision — định dạng xuất được: | Định dạng | Nền tảng | |---|---| | ⚠ TensorFlow / TensorFlow Lite | ⚠ Android | | ⚠ CoreML | ⚠ iOS | | ⚠ ONNX | ⚠ Windows, đa nền tảng | | ⚠ Docker container | ⚠ Linux, Windows, ARM — chạy ở biên | | ⚠ Vision AI Dev Kit | | | ⚠ Điều kiện | ⚠ project phải dùng domain COMPACT |

Từ khoá nhận diện:

"xuất mô hình ra thiết bị biên" → ⚠ domain compact + train lại "chạy offline trên điện thoại" → ⚠ TensorFlow Lite hoặc CoreML "chạy trong container ở biên" → ⚠ xuất Docker "không có nút Export" → ⚠ domain chưa phải compact

⚠ Đánh đổi khi dùng domain compact Đánh đổi
⚠ Mô hình NHỎ hơn nhiều ⚠ chạy được trên điện thoại
⚠ Nhanh hơn, không cần mạng
⚠ Độ chính xác THẤP HƠN đôi chút
⚠ Với phần lớn ca dùng ⚠ chênh lệch chấp nhận được, đổi lấy khả năng chạy offline
⚠ Vì sao chạy ở biên (edge) Lý do
⚠ Không cần kết nối Internet
⚠ Độ trễ rất thấp ⚠ không phải gửi ảnh lên mạng
⚠ Dữ liệu KHÔNG rời khỏi thiết bị ⚠ quyền riêng tư
⚠ Không tốn phí gọi API
⚠ Đánh đổi ⚠ cập nhật mô hình phải triển khai lại ứng dụng
⚠ Quy trình đầy đủ để xuất Bước
⚠ 1. Tạo project với domain compact ⚠ hoặc đổi domain của project có sẵn
⚠ 2. Train lại
⚠ 3. Vào tab Performance của iteration
⚠ 4. Bấm Export, chọn định dạng
⚠ 5. Tích hợp vào ứng dụng
⚠ Lưu ý ⚠ iteration cũ (domain thường) vẫn không xuất được

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Domain của project là gì | ⚠ phải có chữ "compact" | | Đã train lại sau khi đổi domain chưa | | | Độ chính xác sau khi đổi có chấp nhận được không | |

Và lý do nên quyết định về chuyện chạy ở biên ngay từ đầu dự án: đổi domain sang compact bắt buộc phải huấn luyện lại từ đầu. Biết trước thì chọn compact ngay, khỏi mất công làm hai lần.

Câu 65 Chọn nhiều đáp án Implement natural language processing solutions

You have a knowledge artifact that users can follow as a document. You have created an effective knowledge base using this document, which consists of individual questions and answer pairs. However, as you receive feedback, you realize that sometimes users need to ask follow-up questions for more information before receiving the answer. This also makes the conversation interactive and offers a better user experience. To enable this experience, you have decided to use Azure Language Studio.

Here are the additional requirements and assumptions:

  • The knowledge document is a user manual about your organization's products.

  • The document offers product codes and corresponding details.

  • Language Studio has LUIS and Search configured in Azure.

  • The knowledge base (KB) is created using manage sources in custom question answering.

  • The KB source contains prompts to product codes and associated summaries.

  • When a user types a product code, a list of product codes is presented.

  • When a user selects a specific code, the associated summary is presented.

What would you select from below to fill in the missing steps in order to add a question pair with follow-up prompts? (Select two)

  1. A

    Step IV: Add follow-up prompts for each product code using the option link existing pair
  2. B

    Step IV: Import each product code using the option link existing pair and add prompts
  3. C

    Step V: Add a new Questions answer pair with text "product code"
  4. D

    Step IV: Add follow up prompts for each product code using option create link to a new pair
  5. E

    Step V: Import each product code using option create link to a new pair and add prompts
Xem giải thích

Đáp án

A và C — Bước IV: thêm follow-up prompt cho từng mã sản phẩm bằng tuỳ chọn link existing pair; Bước V: thêm một cặp hỏi–đáp mới với nội dung "product code"

Vì sao đúng

Điểm mấu chốt nằm ở chỗ cặp hỏi–đáp cho từng mã sản phẩm đã có sẵn trong cơ sở tri thức — chúng được tạo ra khi bạn nhập tài liệu hướng dẫn. Vì vậy:

  • Bước IV chỉ cần liên kết tới cặp đã có (link existing pair), không tạo mới. Tạo mới sẽ sinh ra bản trùng lặp và hai cặp sẽ tranh nhau cùng một câu hỏi.
  • Bước V thêm một cặp mới duy nhất với nội dung "product code" — đây là cặp đóng vai trò điểm vào: người dùng gõ "product code" thì bot hiện danh sách các mã, mỗi mã là một follow-up prompt trỏ tới cặp tương ứng.

Vì sao các phương án khác sai

  • D. Bước IV dùng create link to a new pair — tạo cặp mới trong khi cặp đã tồn tại, gây trùng lặp.
  • B và E. "Import each product code" — nhập lại từng mã là làm lại việc đã xong khi nhập tài liệu nguồn.
Câu 66 Implement natural language processing solutions

Your bot incorporates Natural Language Understanding. You will create a template for language understanding in a file where intents and utterances are mapped. This file format is utilized to test your bot locally using the Bot Framework CLI.

To test your model with the Bot Framework CLI command "bf luis:test", you must provide an input source in a supported file format.

  1. A

    .lu
  2. B

    .lg
  3. C

    .qna
  4. D

    .dialog
Xem giải thích

Đáp án

A — .lu.

Vì sao đúng

⚠ Bot Framework có nhiều định dạng file, mỗi cái một mục đích: | Đuôi file | Nội dung | |---|---| | ⚠ .lu | ⚠ Language Understanding — intent và utterance | | ⚠ .lg | ⚠ Language Generation — mẫu câu bot TRẢ LỜI | | ⚠ .qna | ⚠ cặp câu hỏi và câu trả lời cho QnA | | ⚠ .dialog | ⚠ định nghĩa luồng hội thoại (Adaptive Dialogs) |

⚠ File .lu
   # GreetUser
   - xin chào
   - chào bạn
   - hello

   # BookFlight
   - tôi muốn đặt vé
   - đặt chuyến bay
        ↓
⚠ bf luis:test dùng file này

⚠ Đề nói rõ "intents và utterances được ánh xạ" — ⚠ đó chính là nội dung của .lu.

Vì sao các phương án khác sai

  • B (.lg) — ⚠ Language GENERATION: ⚠ chứa mẫu câu bot nói ra, ⚠ không phải câu người dùng nhập vào.

  • C (.qna) — ⚠ cặp hỏi-đáp cho knowledge base: ⚠ không có khái niệm intent.

  • D (.dialog) — ⚠ mô tả luồng hội thoại: ⚠ khi nào hỏi gì, gọi gì.

Ghi nhớ

⚠ Bốn định dạng file Bot Framework — bảng phải thuộc: | File | Trả lời câu hỏi | |---|---| | ⚠ .lu | ⚠ người dùng NÓI GÌ và có ý định gì | | ⚠ .lg | ⚠ bot TRẢ LỜI thế nào | | ⚠ .qna | ⚠ câu hỏi thường gặp và đáp án | | ⚠ .dialog | ⚠ hội thoại DIỄN RA theo trình tự nào |

Từ khoá nhận diện:

"intent và utterance" → ⚠ .lu "mẫu câu bot trả lời, có biến thể" → ⚠ .lg "FAQ, cặp hỏi đáp" → ⚠ .qna "luồng hội thoại" → ⚠ .dialog

⚠ Cấu trúc file .lu Cấu trúc
⚠ # TenIntent ⚠ khai báo intent
⚠ - câu ví dụ ⚠ utterance mẫu
⚠ {tenEntity=giá trị} ⚠ gán nhãn entity trong câu
⚠ @ ml tenEntity ⚠ khai báo entity kiểu machine-learned
⚠ > chú thích
⚠ Ưu điểm ⚠ là văn bản thuần — lưu Git, rà soát bằng pull request
⚠ Lệnh Bot Framework CLI hay dùng Lệnh
⚠ bf luis:convert ⚠ .lu ↔ JSON
⚠ bf luis:test ⚠ kiểm thử mô hình — đề này
⚠ bf luis:application:import ⚠ nạp lên dịch vụ
⚠ bf qnamaker:* ⚠ cho knowledge base
⚠ Giá trị ⚠ đưa mô hình ngôn ngữ vào quy trình CI/CD như mã nguồn
⚠ Lưu ý về LUIS Lưu ý
⚠ LUIS đang được thay bằng Conversational Language Understanding (CLU)
⚠ CLU nằm trong Azure AI Language
⚠ Định dạng .lu vẫn dùng được với công cụ mới
⚠ Với dự án mới ⚠ nên dùng CLU thay LUIS

Ba việc kiểm chứng: | Việc | Cách | |---|---| | File .lu có được lưu trong Git không | ⚠ nên có, để rà soát thay đổi | | Có đủ utterance mẫu cho mỗi intent không | ⚠ tối thiểu 15-20 | | Dự án mới đã dùng CLU thay LUIS chưa | |

Và lợi ích lớn nhất của việc giữ mô hình ngôn ngữ ở dạng file văn bản: nó được rà soát và quản lý phiên bản như mã nguồn. Thêm một intent mới đi qua pull request, có người duyệt, có lịch sử — thay vì ai đó bấm nút trên một cổng web.

Câu 67 Implement natural language processing solutions

Your Conversational Language Understanding application requires the definition of entities that will act as hints for another entity or intent. Considering the necessity to establish an entity specifically for credit cards, which of the following entity types would be most appropriate?

  1. A

    A List component
  2. B

    A Regex component
  3. C

    A Prebuilt component
  4. D

    A ML component
Xem giải thích

Đáp án

B — Regex component

Vì sao đúng

Số thẻ tín dụng có khuôn dạng cố định và đoán trước được — dãy chữ số theo nhóm, độ dài xác định. Đó chính là trường hợp mà biểu thức chính quy làm tốt nhất: khớp chính xác, không cần dữ liệu huấn luyện, và kết quả tất định chứ không phụ thuộc mô hình đoán đúng hay sai.

Vì sao các phương án khác sai

  • A. List component — dùng khi tập giá trị hữu hạn và liệt kê được (tên thành phố, mã phòng ban). Số thẻ thì không thể liệt kê.
  • D. ML component — học từ ví dụ, hợp với thực thể có ranh giới mờ như tên sản phẩm hay địa chỉ viết tự do; dùng cho thứ có khuôn dạng cứng là vừa thừa vừa kém tin cậy hơn regex.
  • C. Prebuilt component — dùng cho các loại dựng sẵn phổ biến như ngày tháng, số, tiền tệ; số thẻ tín dụng của riêng nghiệp vụ bạn thì không nằm trong đó.
Câu 68 Implement natural language processing solutions

After creating example utterances and intents for your Conversational Language Understanding application, you proceed to train it. Upon reviewing the dashboard, you notice that the scores for your top intent and the subsequent intent are closely matched, indicating that they might interchange positions after the next training session. To mitigate this issue, you opt to remove several utterances from various intents, which significantly alters the number of example utterances. Following this adjustment, you analyze your review dashboard once more. You would anticipate encountering issues on the dashboard related to the new distribution of example utterances. What issue can you expect to see?

  1. A

    Incorrect predictions.
  2. B

    Unclear predictions.
  3. C

    Data imbalance.
  4. D

    None of the above.
Xem giải thích

Đáp án

C — Mất cân bằng dữ liệu (data imbalance)

Vì sao đúng

Bảng điều khiển của Conversational Language Understanding cảnh báo mất cân bằng khi số câu ví dụ giữa các intent chênh nhau quá nhiều. Đây là vấn đề thật vì mô hình có xu hướng nghiêng về intent có nhiều ví dụ hơn: một intent chỉ có 5 câu ví dụ đứng cạnh intent có 200 câu thì gần như không bao giờ được chọn.

Cách chữa là bổ sung ví dụ cho intent thiếu, chứ không phải huấn luyện lại nhiều lần.

Vì sao các phương án khác sai

  • A. Dự đoán sai và B. Dự đoán không rõ ràng — đây cũng là hai mục có trên bảng điều khiển, nhưng chúng nói về kết quả trên từng câu cụ thể sau khi kiểm thử, không phải về sự chênh lệch số lượng ví dụ giữa các intent.
  • D. Không phương án nào — sai, vì mất cân bằng dữ liệu đúng là cảnh báo mà bảng điều khiển đưa ra.
Câu 69 Chọn nhiều đáp án Implement natural language processing solutions

Azure AI Services are accessible through two distinct types of resources: a multi-service resource or a single-service resource. Associate the appropriate characteristics with the correct Azure AI Services resource:

Resource 1- Multi-Service resource.

Resource 2- Single-Service resource.


Characteristic 1- Single Azure Al Service access with service-oriented unique key and endpoint.

Characteristic 2- Consolidates billing is enabled from services being used.

Characteristic 3- Single key and endpoint enabled access to multiple Azure Al Services.

Characteristic 4- Free tier usage of service.

(Select 2)

  1. A

    Resource 1: Characteristic 1, Characteristic 2
  2. B

    Resource 1: Characteristic 1, Characteristic 4
  3. C

    Resource 1: Characteristic 2, Characteristic 3
  4. D

    Resource 1: Characteristic 2, Characteristic 4
  5. E

    Resource 2: Characteristic 1, Characteristic 2
  6. F

    Resource 2: Characteristic 1, Characteristic 4
  7. G

    Resource 2: Characteristic 2, Characteristic 3
  8. H

    Resource 2: Characteristic 2, Characteristic 4
Xem giải thích

Đáp án

C và F — Multi-service: Đặc điểm 2 và 3; Single-service: Đặc điểm 1 và 4

Vì sao đúng

Hai loại tài nguyên đánh đổi khác nhau:

Loại Đặc điểm Ý nghĩa thực tế
Multi-service (2) Gộp hoá đơn cho mọi dịch vụ đang dùng Một dòng chi phí thay vì nhiều
(3) Một khoá và một endpoint dùng cho nhiều dịch vụ AI Ít bí mật phải quản lý hơn
Single-service (1) Truy cập một dịch vụ với khoá và endpoint riêng Tách bạch quyền và hạn mức theo từng dịch vụ
(4) Có bậc miễn phí Đây là điểm phân biệt quan trọng nhất

Bậc miễn phí chỉ có ở tài nguyên đơn dịch vụ — nên nếu đang muốn thử nghiệm không tốn tiền thì phải tạo từng tài nguyên riêng, không dùng được tài nguyên gộp.

Vì sao các phương án khác sai

Các phương án còn lại đều gán đặc điểm gộp hoá đơn hoặc khoá dùng chung cho tài nguyên đơn dịch vụ, hoặc gán bậc miễn phí cho tài nguyên đa dịch vụ — cả hai đều ngược với thực tế.

Câu 70 Implement natural language processing solutions

You have been assigned the task of deploying the most recently trained or published Language Understanding (LUIS) model within your own environment to adhere to compliance requirements. Utilize docker containers to process query predictions for user utterances. To employ the container, begin by exporting the package from the Language Understanding (LUIS) portal, ensuring you select the most recent prediction or published version. Next, choose the 'export for containers (GZIP)' option. Finally, transfer the file to your container host's output mount directory and execute the container to consult the prediction endpoint. However, you notice that you are not receiving any query results.

Review the steps described in the scenario above and identify any step that was performed incorrectly.

  1. A

    Export for containers (GZIP) option.
  2. B

    Move the file to the output mount directory of the container host.
  3. C

    Select the latest trained or published version.
  4. D

    None of the above.
Xem giải thích

Đáp án

D — Không phương án nào

Vì sao đúng

Ba phương án còn lại đều mô tả một bước đúng nhưng không đầy đủ, hoặc sai chi tiết, nên không cái nào là câu trả lời trọn vẹn cho việc xuất và dùng gói LUIS trong container. Đáng chú ý nhất là phương án B: nó nói chuyển tệp vào thư mục output của container, trong khi gói mô hình phải nằm ở thư mục input — container đọc mô hình từ đó, còn thư mục output là nơi container ghi nhật ký ra.

Vì sao các phương án khác sai

  • B. Chuyển tệp vào thư mục output — sai chiều như vừa nêu; container sẽ khởi động mà không tìm thấy mô hình.
  • A. Tuỳ chọn "Export for containers (GZIP)" và C. Chọn phiên bản mới nhất — đều là những thao tác có thật trong quy trình, nhưng mỗi cái chỉ là một phần, không phải câu trả lời cho cả việc được hỏi.